Predicting Soil Organic Carbon and Total Nitrogen at the Farm Scale Using Quantitative Color Sensor Measurements
Notice bibliographique
Résumé
Sensor technology can be a reliable and inexpensive means of gathering soils data for soil health assessment at the farm scale. This study demonstrates the use of color system readings from the Nix ProTM color sensor (Nix Sensor Ltd., Hamilton, ON, Canada) to predict soil organic carbon (SOC) as well as total nitrogen (TN) in variable, glacial till soils at the 147 ha Cornell University Willsboro Research Farm, located in Upstate New York, USA. Regression analysis was conducted using the natural log of SOC (lnSOC) and the natural log of TN (lnTN) as dependent variables, and sample depth and color data were used as predictors for 155 air dried soil samples. Analysis was conducted for combined samples, Alfisols, and Entisols as separate sample sets and separate models were developed using depth and color variables, and color variables only. Depth and L* were significant predictors of lnSOC and lnTN for all sample sets. The color variable b* was not a significant predictor of lnSOC for any soil sample set, but it was for lnTN for all sample sets. The lnSOC prediction model for Alfisols, which included depth, had the highest R2 value (0.81, p-value < 0.001). The lnSOC model for Entisols, which contained only color variables, had the lowest R2 (0.62, p-value < 0.001). The results suggest that the Nix ProTM color sensor is an effective tool for the rapid assessment of SOC and TN content for these soils. With the accuracy and low cost of this sensor technology, it will be possible to greatly increase the spatial and temporal density of SOC and TN estimates, which is critical for soil management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».